Dans cet article, nous proposons un système de segmentation adapté à l'analyse de plusieurs types d'images, riches en détails et dont les régions peuvent être de nature uniforme et/ou texturée. Un intérêt tout particulier a été accordé à l'aspect automatique et non-supervisé du dispositif. Le système proposé combine deux concepts. Le premier, fondé sur un procédé d'intégration d'informations issues de différentes méthodes de segmentation, permet de tirer parti des avantages de chacune d'elles. Le second concept s'inspire de la perception active par l'introduction d'une boucle de retour dans le système afin de corriger et d'ajuster les paramètres de contrôle de l'ensemble des méthodes employées. Le principe de la coopération proposée introduit un mécanisme de vérification de la cohérence par comparaison des résultats des méthodes impliquées dans la coopération. Ce dernier aspect fait défaut à un bon nombre d'approches coopératives. Le système développé est composé de deux modules. Le premier est dédié à l'extraction de régions uniformes ou faiblement texturées. Le principe est fondé sur une coopération itérative entre une méthode de détection de contours et une méthode d'agrégation de points. Ces deux méthodes sont itérées avec des critères de plus en plus tolérants jusqu'à la convergence vers des résultats cohérents et stables. La cohérence est réalisée en minimisant une mesure de dissimilarité entre les contours et les régions. Le but est ainsi de fournir une solution optimale au sens de la compatibilité entre les résultats des deux segmentations. Le second module localise les régions texturées et contribue à la réactualisation et à la correction des contours extraits à chaque itération du premier module. Cette localisation s'appuie sur une classification automatique par multi-seuillage exploitant certains mécanismes de la perception visuelle, et sur une fusion des régions multi-seuillées minimisant un critère de similarité....

Cet article propose une méthode de filtrage multiéchelle du bruit de speckle présent dans les images radar à ouverture synthétique. Ce filtrage est basé sur l'utilisation de l'algorithme à trous et s'inspire des méthodes multiéchelle d'extraction des structures significatives développées pour l'imagerie astronomique. Cependant, la nature multiplicative du bruit de speckle conduit à reconsidérer la méthode de seuillage dans l'espace des ondelettes et une première approche basée sur une transformation logarithmique de l'image est présentée. Une seconde approche, s'appuyant sur l'énergie du signal permet d'obtenir des images filtrées ayant une meilleure précision radiométrique. L'information fournie par les coefficients d'ondelettes significatifs est exploitée dans une analyse originale de l'image afin de mettre en évidence les variations temporelles des structures aux différentes échelles, et d'extraire les structures significatives aux petites échelles....

La fusion des résultats en analyse d'images pose de nombreux problèmes de modélisation et de représentation des connaissances parmi lesquels, on peut mentionner: . la difficulté de définir exhaustivement les conditions d'utilisation des traitements en fonction du contexte, . la difficulté d'évaluer les résultats des traitements, . la difficulté d'élaborer des stratégies faisant coopérer plusieurs traitements ou fusionnant des résultats. Le système ADAGAR (Atelier de Développement d'AGents sur Architecture Répartie) propose des solutions à ces problèmes. ADAGAR résulte de concepts élaborés dans le projet BBI (BlackBoard Image). L'objectif du projet BBI était de concevoir sur une architecture multi-processeurs, un système perceptif d'interprétation d'images issues de sources différentes. L'idée n'était pas d'élaborer de nouveaux opérateurs de traitements d'images, mais de développer une structure d'accueil des traitements existants. Une des particularités du système réside dans l'expression de connaissances d'estimation a priori (scores d'aptitude). La formalisation de ces connaissances est inspirée de la théorie de Dempster-Shafer. Le formalisme employé permet de représenter l'ignorance sur les conditions d'activation d'un traitement dans un contexte particulier. Le prototype BBI contient actuellement une trentaine d'agents. Il fonctionne sur des couples d'images aériennes ou satellitaires dans les spectres visible/infrarouge et visible/radar. BBI élabore dynamiquement une ou plusieurs stratégies de recherche, à partir des spécificités des images traitées et des objets à détecter. Les coopérations entre les traitements au bas niveau, les fusions d'informations et les focalisations d'attention au niveau symbolique sont les principales raisons du bon fonctionnement du prototype. Intelligence artificielle distribuée, Système multi-agents, Système réparti, Interprétation d'images....

Les modèles markoviens spatiaux non causaux utilisés dans le domaine de l'analyse d'images conduisent à des algorithmes d'estimation itératifs, réputés pour leur complexité calculatoire. Dans cet article, nous considérons une classe de processus markoviens hiérarchiques et non linéaires, définis sur le quadarbre. Ces modèles markoviens présentent des propriétés de causalité en échelle qui permettent de construire des algorithmes non itératifs exacts, similaires à ceux existant pour les chaînes de Markov, dans le cas des signaux mono-dimensionnels. Nous présentons ainsi une version originale de l'algorithme de Viterbi sur le quadarbre, associé à une estimation exacte au sens du Maximum A Posteriori (MAP), ainsi que deux autres algorithmes d'estimation, respectivement associés à un critère du MAP modifié et au critère du MPM (mode de la marginale a posteriori). Deux nouveaux algorithmes EM, permettant une estimation non supervisée sur le quadarbre, sont également introduits pour cette classe de représentations. Les propriétés de ces modèles et algorithmes sont illustrées et comparées, pour un problème simple de classification d'images, sur des images synthétiques et réelles....